arXiv cs.CL· Devansh Srivastav, David Pape, Samira Abedini, Lea Sch\"onherr·· 11 小时前AI 评分31
Contextual Candour：面向混合敏感度上下文的 LLM 角色感知分级披露
Contextual Candour: Role-Aware Graduated Disclosure for LLMs over Mixed-Sensitivity Contexts
AI 导读
研究提出“分级披露”（graduated disclosure）访问控制框架，让 LLM 根据用户授权级别校准回复的详细程度与敏感度，而非简单二元的“全答或拒答”。该方法将分级披露建模为披露感知生成问题，用基于奖励的优化框架引导回复做层级适配的抽象，并惩罚包括转述和近似在内的未授权事实泄露。在企业与临床基准上，其信息泄露显著低于基于提示词、门控和有监督的基线，同时保持正确性与实用性。
正文 · AI 翻译
摘要：LLM 越来越多地在混合敏感度上下文中运行，它们必须对从公开到机密的信息进行推理，同时只披露用户被授权接收的内容。现有方法将访问控制作为二元决策来执行：要么完整回答，要么拒绝，而不在授予访问权限时规范披露多少或何种信息，导致过度拒绝或意外泄露。我们引入渐进式披露，这是一种访问控制表述，其中模型响应的详细程度和敏感度根据用户的授权进行校准，而不是被视为授予或拒绝的决策。我们将渐进式披露建模为披露感知生成问题，并提出一个基于奖励的优化框架，该框架将响应塑造成适合级别的抽象，同时惩罚未经授权的事实泄露，包括释义和近似。我们在企业和临床基准上评估我们的方法，并将其与基于提示、门控和监督的基线进行比较。实验表明，我们的方法在保持正确性和实用性的同时大幅减少信息泄露。这些结果表明，披露控制必须集成到生成过程本身，以实现安全但有用的 LLM 部署。
| 主题： | 密码学与安全 (cs.CR)；计算与语言 (cs.CL) |
| 引用为： | arXiv:2610.28067 [cs.CR] |
| （或 arXiv:2610.28067v1 [cs.CR] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.28067 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Devansh Srivastav [查看电子邮件]
[v1]
2026年10月20日星期二 11:50:25 UTC（4,555 KB）
来源：arXiv cs.CL · arxiv.org